ie 303t sistem benzetimi · Şimdiye kadar dağılımları ve linear kombinasyonları nı...
TRANSCRIPT
L E C T U R E 5 : O L A S I L I K T E K R A R 2
IE 303T Sistem Benzetimi
03-Nov-16
1
Review of the Last Lecture
Random Variables
Beklenen Değer ve Varyans
Moment
Kesikli Dağılımlar
Bernoulli Dağılımı
Binom Dağılımı
Geometrik Dağılımı
Negatif Binom Dağılımı
Poisson Dağılımı
03-Nov-16
2
İçerik
Sürekli Dağılımlar Uniform Dağılım
Üssel Dağılım
Gamma ve Erlang Dağılımı
Weibull Dağılımı
Normal Dağılımı
Üçgen Dağılımı
Lognormal Dağılımı
Kesikli Normal Dağılımı
Konvolüsyon
Ampirik Dağılımlar
Maksimum Likelihood Tahminleyicis
03-Nov-16
3
Uniform Dağılımı
03-Nov-16
Üssel Dağılımı
λ oran
parametresi
olarak
bilinmektedir.
Zaman başı
beklenen olay sayısı
03-Nov-16
Üssel Dağılımı
Üssel dağılım hafızasızlık özelliğine (memoryless property) sahiptir.
Örnek: X bir parçanın (batarya, ampül, bilgisayar çipi, vb) ömrünü ifade etsin ve ekonomik ömrü üssel dağılımı takip etsin. Hafızasızlık özelliğine göre eğer parça s saattir kullanımdaysa, parçanın t saat daha kullanımda kalması olasılığı, yeni parçnın t saat kullanılma olasılığı ile eşittir.
Koşullu olasılık??
Sadece üssel dağılım ve geometrik dağılım hafızasızlık özelliğine sahiptir.
03-Nov-16
6
Gamma Dağılımı
β ve λ parametreleri şekil (shape) ve oran (rate) parametreleri olarak
bilinir. Alternatif parametrizasyonlar da kullanılabilir.
Gamma fonksiyonu, Γ(β), Gamma dağılımının olasılık dağılım fonksiyonu
olarak kullanılır ve faktöryel fonksiyonunun genel versiyonu olarak
düşünülebilir.
03-Nov-16
Analitik formu yok.
Tamsayı β için,
Gamma Dağılımı
03-Nov-16
Erlang Dağılımı
Tamsayı β için Gamma fonksiyonu faktoriyel olur ve β adet özdeş, ortalaması 1/λ olan üssel dağılımın toplamı haline gelir. β=1 için Gamma(β,λ) dağılımı üssel dağılımdır.
Poisson dağılımı, gelişler arası sürenin üssel dağılım olan varışları sayar. Dolayısıyla Erlang ve Poisson dağılımları arasında bir ilişki vardır: S=[0,x] aralığını alalım. X~ Erlang(k,λ) ve Y~Poisson(λx) olarak tanımla. en az k özdeş üssel dağılımın (λ parametreli) S içinde var olması demektir. Dolayısıyla S içindeki üssel dağılım sayısı k’e eşit veya büyük olmalıdr.
03-Nov-16
9
Weibull Dağılımı
Gamma dağılımına benzer olarak, ilk iki dağılım parametresi, α ve β, scale and shape parameterleridir. Üçüncü parametre, ν, ise lokasyon parametresidir. β = 1 ve ν = 0 için Weibull dağılımı, üssel dağılıma dönüşür, λ = 1/α .
03-Nov-16
10
Weibull Dağılımı
03-Nov-16
Normal Dağılım
Recall that μ is location, σ is the scale parameter for Normal Distr.
03-Nov-16
Daha önce μ lokasyon ve σ ölçü (scale) parametresi olduğunu ifade etmiştik.
Normal Dağılım
Normal dağılımla gerçekleştirilen hesaplamalar için, standard normal dağılımı (μ=0, σ=1) kullanıyoruz.
Normal dağılımın olasılıkları şu şekilde hesaplanır: https://mhekimoglushinyapps.shinyapps.io/app2/
03-Nov-16
13
Normal Dağılım
03-Nov-16
Normal dağılım pdf
Üçgen Dağılım
03-Nov-16
15
Üçgen dağılımın üç parametresi a≤b≤c, sırasıyla minimum, mode ve maksimum değerlerini verir.
Lognormal Dağılım
03-Nov-16
Lognormal Dağılım
Lognormal dağılım Normal dağılımın dönüştürülmesinden elde edilir. Y eğer parametreleri μ ve σ olan Normal dağılım ise, X=eY, lognormal dağılımı verir. Elde edilen dağılımın ortalaması m ve varyansı v2 ise aşağıdaki formülle hesaplanabilir:
03-Nov-16
Lognormal Dağılım
Kırpılmış (Truncated) Normal Dağılım
a ve b kırpılma alanını verir ve , ana dağılımın parametreleridir. Çıkış Noktası: Kırpılma alan dışındaki değerler için olasılığı 0’a eşitle, geri kalan olasılıkları da uygun şekilde güncelle.
Beklene Değer (μ) ve Varyans (σ)
03-Nov-16
18
Truncated Normal Distribution
(a=0, b=∞)
03-Nov-16
Konvolüsyon
Şimdiye kadar rassal dağılımları inceledik: İki rassal değişkenin toplamı için ne söylenebilir?
Varsayalım ki rassal değişkenler X ve Y, ve dağılımları f(x), g(y); Ωx ve Ωy setlerinin üzerinde tanımlanmış olsun.
X and Y kesikli ise:
X ve Y sürekli ise:
İki rassal, bağımsız A ve B değişkenleri için
03-Nov-16
20
Konvolüsyon
Example: X ~ Pois(λ) ve Y~Pois(μ). Z=X+Y dağılımı nedir?
Example: Eğer W~Exp(λ), V=W+W ~ Erlang(2,λ) gösteriniz.
Erlang dağılımı:
03-Nov-16
21
Maximum Likelihood Tahminleyicisi
Şimdiye kadar dağılımları ve linear kombinasyonları nı konuştuk. Ama veriden dağılım parametresini nasıl tahmin edebiliriz??
Example: For his simulation project Harry collects data for the number of people arriving to D/K building of the university between 8-10 am. He assumes that number of arrivals follows Poisson distribution with parameter λ. How to estimate λ?
Eğer, xi , dağılım fonksiyonu f(x,θ) olan bir dağılımdan geliyorsa, likelihood fonksiyonu aşağıdaki gibidir:
L(θ) maksimize eden θ değerine maximum likelihood tahminleyicisi denir
03-Nov-16
22
Maximum Likelihood Tahminleyicisi
EğerHarry 5 gün için aşağıdaki veriyi topladıysa, λ için tahminleyici nedir?
Örneklem ortalaması Poisson için MLE tahminleyicisidir.
X~Poisson(λ),
#of Arrival
Day1 2
Day2 3
Day3 4
Day4 2
Day5 5
. .
03-Nov-16
23
Ampirik Dağılımlar
Ampirik dağılımlar, parametreleri gözlemlenmiş değerleri olan dağılımlarıdır. Ampirik dağılımlar özellikle parametrik dağılımların(Normal, Poisson vs.) iyi bir fit sağlamadığı durumlarda kullanılır.
Ampirik dağılımların önemli bir özelliği de örneklemde gözlemlenen değer aralığının dışında bir değerin elde edilememsidir.
Bu duruma göre avantaj veya dez avantaj olabilir.
Örnek: Yerel bir restorana müşteriler 1 ile 8 arasındaki guruplar halinde gelmektedirler. 300 farklı müşteri gurubu gözlenmiş ve ekte verilen ampirik dağılım elde edilmiştir:
03-Nov-16
24
Ampirik Dağılımlar
03-Nov-16
25
Ampirik Dağılımlar
03-Nov-16
26
Dağılımlar için Excel Komutları
03-Nov-16
27
Dağılımlar için Excel Komutları
03-Nov-16
28
Dağılımlar için Excel Komutları
03-Nov-16
29
Ders 5 Sonu
Gelecek Ders
Random Number Generation (Chapter 7)
03-Nov-16
30